[发明专利]基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法

权利要求书

1.一种基于卷积神经网络提取多维度扩展特征稻田杂草识别方法，其特征在于：首先通过多维度采集和多步骤扩展，获得大量、具有相关性的训练集；其次基于卷积神经网络对稻田杂草特征进行提取和筛选；然后对MLP分类器进行训练与检测；最终迁移学习后的MLP分类器对稻田杂草的种类、位置进行预测。所述的多维度扩展，可看作从多个不同维度采集杂草图像以及旋转、平移、剪裁、放缩、噪声处理步骤扩展，获得大量、具有相关性的图像的过程；所述的卷积神经网络，可看作通过梯度下降的方法，不断从低层到高层提取和筛选特征的结构。

2.根据权利要求1所述的稻田杂草识别方法，其特征在于：包括以下步骤，

步骤一、在不同视角下，通过多维度采集稻田杂草图像，并作像素压缩统一处理，获得更贴近稻田杂草生活环境的图像，并按1:1比例分为训练集和检测集。

步骤二、通过多步骤扩展以及归一化处理训练集，获得大量、具有相关性的图像，使用相关性的图像训练卷积神经网络能减少过拟合的可能，而且特征表达效果更好。

步骤三，基于多通道卷积神经网络提取多维度扩展图像特征作为识别的依据，提取多维度扩展图像特征，因不受主观因素影响，所以接近稻田杂草自然属性特征。

步骤四、使用多维度扩展图像对MLP分类器进行训练，获得强大的MLP稻田杂草分类器。

步骤五、先对检测集进行扩充，然后对MLP分类器的准确率和识别时间进行检测，确定MLP分类器的性能参数。

步骤六、迁移学习提高图像分类的准确率，迁移学习后的MLP分类器，能实现对稻田杂草种类、位置的预测。

3.根据权利要求1或2所述的稻田杂草识别方法，其特征在于：所述的多维度采集图像是从杂草的正上方、正方以及两者之间45°侧方三个维度，采集同一杂草三个维度的图像。

4.根据权利要求1或2所述的稻田杂草识别方法，其特征在于：所述的多步骤扩展处理包括，旋转、平移、剪裁、放缩和噪声处理，获得大量、具有相关性图像训练集；所述的旋转处理，具体过程设置多个预选角度，并根据每个预选角度对训练集中的每个图像进行旋转，获得多幅杂草图像扩展训练集的数量；所述的平移处理，具体过程先预设像素个数，并根据预设像素个数对训练集中的每个图像进行上下左右平移操作，获得多幅杂草图像扩展训练集的数量；所述的剪裁处理具体过程先预设像素个数，并根据预设像素个数对训练集中的每个图像进行剪裁操作，获得多幅杂草图像扩展训练集的数量；所述的放缩处理，具体过程先预设像素个数，并根据预设像素个数对训练集中的每个图像进行放缩操作，获得多幅杂草图像扩展训练集的数量；所述的噪声处理，具体过程预设高斯白噪声参数，并根据预设的高斯白噪声参数对训练集中的每个图像中加入噪音，获得多幅杂草图像扩展训练集的数量。

5.根据权利要求1或2所述的稻田杂草识别方法，其特征在于：所述的多通道卷积神经网络，分别有三个具有相同结构的卷积神经网络组成，每个卷积神经网络都由两个全连接层以及两个卷积层和两个池化层交替组成。

6.根据权利要求1或5所述的稻田杂草识别方法，其特征在于：所述的卷积层的作用，建立每一个输出的特征图与上一层的几个特征图的卷积关系，提取的杂草特征在下一层结合形成更高一级的杂草特征；在卷积层进行特征提取后，对输出的特征图进行特征选择和信息过滤。

7.根据权利要求1或5所述的稻田杂草识别方法，其特征在于：所述的全连接层，可看作卷积层和池化层对杂草图像特征提取和筛序后的逻辑回归分类。

8.根据权利要求1或2所述的稻田杂草识别方法，其特征在于：所述的MLP分类器，即多层感知器，由一个2层神经网络组成，可对杂草图像中像素的类别进行预测。所述的迁移学习，就是要把在特定训练集上训练得到的“知识”成功运用到新的杂草识别之中。